ARTICLE · 1133121
想学 AI,却不知道从哪开始?这套开源课程先测基础,再带你逐课实践
收藏了很多 AI 教程，却不知道从哪一节开始；看完一个概念，依然不知道怎么把它写进代码。这是学习 AI 工程时常见的两道坎。
AI Engineering from Scratch 的思路，是把课程不只做成供人阅读的资料，还封装成编码智能体可调用的技能集：在 Claude Code 或 Codex 中定位你的知识起点、安排学习路径，再逐课推进。
项目 README 声明课程有 523 节、20 个阶段，预计学习时间约 342 小时，覆盖 Python、TypeScript、Rust、Julia，采用 MIT 许可证。这里的时间是项目方估算，不是保证完成课程所需的固定时长。
这不是仅靠视频或 PDF 单向讲解的学习方式。根据源信息卡，安装技能后，可以通过路由命令启动课程、选择专项路径，或围绕一个具体问题定位相关课程。
它的学习循环是：概念 → 数学 → 代码 → 测验。每节课强调交付可复用的 artifact，例如 prompt、Skill、Agent 或 MCP 服务。它的价值不只是“看过某个知识点”，而是把知识转化为能继续使用的产物。
需要区分两件事：课程声明代码可以运行，不等于本文已在本地跑通全部代码；技能提供教学组织，不等于智能体的讲解和代码天然正确。本文属于项目介绍，而不是完成全课实测后的评测报告。
源信息卡介绍，运行 /start-learning 后，会通过 10 题 placement quiz 映射已有知识，生成个性化 LEARNING.md，再建议起始阶段。新手可从 Phase 0 开始，有基础者从 Phase 1 或后续阶段切入。
这解决的是“课程太长，不知道从哪里读”的问题。项目 README 也明确建议先选一个建设目标，而不是把所有课程逐项扫描一遍。
· 从零开始：先进入环境与工具阶段。
· 已会 Python，需要补基础：从数学与机器学习基础切入。
· 想做生产级 LLM 应用：关注 Phase 11。
· 想做 Agent：关注 Phase 14。
· 想专门学习 MCP：选择对应专项路径。
这些是路线建议，不意味着可以跳过目标课程真正依赖的前置知识。
完整课程路径：/start-learning。 适合希望建立系统知识框架的人。先确定起点，再进入完整课程。
MCP 专项路径：/learn-mcp。 适合目标明确、希望围绕 Model Context Protocol 学习工具连接与协议工程的人。
Agent Skills 专项路径：/learn-agent-skills。 适合希望学习技能组织与 Agent Skills 工程的人。
后续通过 /learn 推进一课；遇到具体问题，可以使用 /course-guide [具体问题]，让课程指南帮助定位相关 lesson。以上命令来自源信息卡，实际安装后的命令暴露方式以技能文件及所用客户端为准。
以下课时分布按用户提供的信息卡保留，属于该卡的资料口径；本文未逐目录重新清点全部课程。课程持续更新，具体 lesson 以仓库为准。
· Phase 00｜环境与工具，12 节。 开发环境、Git、GPU、云 API、Docker 与终端。先解决“代码在哪里跑、怎么组织和保存”。
· Phase 01｜数学基础，22 节。 线性代数、微积分、概率、信息论、优化与数值稳定性。
· Phase 02｜机器学习基础，18 节。 线性回归、决策树、SVM、K-Means、集成学习与调参。
· Phase 03｜深度学习核心，13 节。 反向传播、BatchNorm、Dropout、优化器与初始化。
· Phase 04｜计算机视觉，28 节。 CNN、ResNet、YOLO、分割、目标检测与 GAN。
· Phase 05｜自然语言处理，29 节。 分词、注意力、BERT、GPT、RLHF 与微调。
· Phase 06｜语音与音频，17 节。 音频特征、CTC、Wav2vec、TTS 与语音合成。
· Phase 07｜深入 Transformer，16 节。 位置编码、注意力变体、Flash Attention 与 MoE。
· Phase 08｜生成式 AI，15 节。 VAE、DDPM、DiT、视频生成与图像生成模型。
· Phase 09｜强化学习，12 节。 马尔可夫决策、Q-Learning、PPO、DQN 与 Agent 训练。
· Phase 10｜从零实现 LLM，24 节。 GPT 架构、分词器、训练循环与推理。
· Phase 11｜LLM 工程，17 节。 RAG、向量数据库、提示工程、部署、量化与推理优化。
· Phase 12｜多模态 AI，25 节。 视觉语言模型、图文生成、文档理解与跨模态检索。
· Phase 13｜工具与协议，31 节。 MCP、Tool Use、Function Calling 与 API 设计。
· Phase 14｜Agent 工程，54 节。 ReAct、规划、记忆、工具编排与评估驱动开发。
· Phase 15｜自主系统，22 节。 长期记忆、持续学习、自我改进与故障恢复。
· Phase 16｜多智能体与群体协作，25 节。 多智能体协作、角色分配与群体智能。
· Phase 17｜基础设施与生产，28 节。 Kubernetes、LLM 推理服务、CI/CD 与监控。
· Phase 18｜伦理、安全与对齐，30 节。 RLHF、对齐、红队、安全评估与可解释性。
· Phase 19｜综合实战，85 节。 端到端项目；源信息卡还列出了 MCPA（Model Context Protocol Associate）认证备考内容与实战路径。
这里的认证路径是学习内容，不应理解为学完就自动获得认证，也不意味着本文验证过考试机构及认证效力。
源信息卡给出的技能安装命令为：
bash
agent skills install \
https://github.com/rohitg00/ai-engineering-from-scratch/tree/main/skills
这是源资料中的命令，并非本文已在你的电脑上安装成功。执行前需确认对应 CLI 可用，检查技能内容和权限；不同版本的安装器与客户端可能有差异，应以项目当前说明为准。
在 Claude Code 中，源信息卡给出的起步方式是：
text
/start-learning
在 Codex 中，源信息卡给出的方式是：
text
start-learning
先完成起点定位，再查看生成的 LEARNING.md。之后每次推进一课，而不是一开始要求智能体把整个课程全部做完。
编辑建议是：每一课都留下可检查的结果。理解概念后，运行代码，观察输出，再解释为什么得到这个结果。提示词、技能与服务代码都应当能被你复述、检查和修改，不能只保存 Agent 给出的答案。
课程网站是 https://aiengineeringfromscratch.com。项目 README 说明，GitHub 与网站使用同一套 lesson 代码，读者可以按自己的阅读习惯选择入口。
README 提供包括简体中文在内的多语言入口。需要注意，多语言首页不等于每节课程都有同等质量的人工翻译；项目说明英文是规范版本，课程页面还有机器翻译安排。遇到术语或代码说明不一致时，应返回英文原文核对。
MIT 开源的是项目材料，不等于学习过程零成本。云模型 API、GPU、托管环境或所使用的编码智能体可能产生独立费用，应按具体课节和环境评估。
源信息卡中的星标、forks 等为其制作时的快照。本次抓取的仓库结果与该卡数字不一致，因此本文不把这些数字包装为当前热度，也不以热度替代课程质量判断。
对普通 AI 使用者来说，不必为了“系统”而从第一节机械读到最后一节。先问自己：我下一步要做的是 RAG 应用、MCP 服务，还是能调用工具的 Agent？再按前置知识选择路径。
这套课程值得关注的地方，是把学习材料与编码智能体接到了一起：先识别起点，再按小步循环学习，最后把每一步沉淀成可以复用的工程产物。
但导师能力不能代替你的判断。代码能否运行、模型结果是否可靠、部署是否安全，最终都需要真实验证。让 Agent 帮你组织学习，不要让它替你跳过学习。
· 用户提供的信息卡：AI Engineering from Scratch。阶段课时、学习命令、测验及技能路径介绍据此整理。
· 项目仓库：rohitg00/ai-engineering-from-scratch。本次抓取核对了总课程规模、时间估算、语言、许可证及目标导向入口。
· 课程网站：aiengineeringfromscratch.com。网站入口由信息卡与项目仓库共同提供，本文未完成全部课程和网站交互实测。